多路归并排序_字节跳动面试:5 亿整数的大文件,如何排序 ?
最近,面试头条,面试官一上来,就问了我这么一个问题,我一脸懵逼,决定记录一下。
问题
给你1个文件bigdata,大小4663M,5亿个数,文件中的数据随机,如下一行一个整数:
6196302
3557681
6121580
2039345
2095006
1746773
7934312
2016371
7123302
8790171
2966901
...
7005375
现在要对这个文件进行排序,怎么搞?
内部排序
先尝试内排,选2种排序方式。
3路快排:
private final int cutoff = 8;
public <T> void perform(Comparable<T>[] a) {
perform(a, 0, a.length - 1);
}
private <T> int median3(Comparable<T>[] a, int x, int y, int z) {
if (lessThan(a[x], a[y])) {
if (lessThan(a[y], a[z])) {
return y;
} else if (lessThan(a[x], a[z])) {
return z;
} else {
return x;
}
} else {
if (lessThan(a[z], a[y])) {
return y;
} else if (lessThan(a[z], a[x])) {
return z;
} else {
return x;
}
}
}
private <T> void perform(Comparable<T>[] a, int low, int high) {
int n = high - low + 1;
// 当序列非常小,用插入排序
if (n <= cutoff) {
InsertionSort insertionSort = SortFactory.createInsertionSort();
insertionSort.perform(a, low, high);
// 当序列中小时,使用median3
} else if (n <= 100) {
int m = median3(a, low, low + (n >>> 1), high);
exchange(a, m, low);
// 当序列比较大时,使用ninther
} else {
int gap = n >>> 3;
int m = low + (n >>> 1);
int m1 = median3(a, low, low + gap, low + (gap << 1));
int m2 = median3(a, m - gap, m, m + gap);
int m3 = median3(a, high - (gap << 1), high - gap, high);
int ninther = median3(a, m1, m2, m3);
exchange(a, ninther, low);
}
if (high <= low)
return;
// lessThan
int lt = low;
// greaterThan
int gt = high;
// 中心点
Comparable<T> pivot = a[low];
int i = low + 1;
/*
* 不变式:a[low..lt-1] 小于pivot -> 前部(first) a[lt..i-1] 等于 pivot -> 中部(middle)
* a[gt+1..n-1] 大于 pivot -> 后部(final)
*
* a[i..gt] 待考察区域
*/
while (i <= gt) {
if (lessThan(a[i], pivot)) {
// i-> ,lt ->
exchange(a, lt++, i++);
} else if (lessThan(pivot, a[i])) {
exchange(a, i, gt--);
} else {
i++;
}
}
// a[low..lt-1] < v = a[lt..gt] < a[gt+1..high].
perform(a, low, lt - 1);
perform(a, gt + 1, high);
}
归并排序:
/**
* 小于等于这个值的时候,交给插入排序
*/
private final int cutoff = 8;
/**
* 对给定的元素序列进行排序
*
* @param a 给定元素序列
*/
@Override
public <T> void perform(Comparable<T>[] a) {
Comparable<T>[] b = a.clone();
perform(b, a, 0, a.length - 1);
}
private <T> void perform(Comparable<T>[] src, Comparable<T>[] dest, int low, int high) {
if (low >= high)
return;
// 小于等于cutoff的时候,交给插入排序
if (high - low <= cutoff) {
SortFactory.createInsertionSort().perform(dest, low, high);
return;
}
int mid = low + ((high - low) >>> 1);
perform(dest, src, low, mid);
perform(dest, src, mid + 1, high);
// 考虑局部有序 src[mid] <= src[mid+1]
if (lessThanOrEqual(src[mid], src[mid + 1])) {
System.arraycopy(src, low, dest, low, high - low + 1);
}
// src[low .. mid] + src[mid+1 .. high] -> dest[low .. high]
merge(src, dest, low, mid, high);
}
private <T> void merge(Comparable<T>[] src, Comparable<T>[] dest, int low, int mid, int high) {
for (int i = low, v = low, w = mid + 1; i <= high; i++) {
if (w > high || v <= mid && lessThanOrEqual(src[v], src[w])) {
dest[i] = src[v++];
} else {
dest[i] = src[w++];
}
}
}
数据太多,递归太深 ->栈溢出?加大Xss?
数据太多,数组太长 -> OOM?加大Xmx?
耐心不足,没跑出来.而且要将这么大的文件读入内存,在堆中维护这么大个数据量,还有内排中不断的拷贝,对栈和堆都是很大的压力,不具备通用性。
sort命令来跑
跑了多久呢?24分钟。
为什么这么慢?
粗略的看下我们的资源:
内存 jvm-heap/stack,native-heap/stack,page-cache,block-buffer 外存 swap + 磁盘 数据量很大,函数调用很多,系统调用很多,内核/用户缓冲区拷贝很多,脏页回写很多,io-wait很高,io很繁忙,堆栈数据不断交换至swap,线程切换很多,每个环节的锁也很多。
总之,内存吃紧,问磁盘要空间,脏数据持久化过多导致cache频繁失效,引发大量回写,回写线程高,导致cpu大量时间用于上下文切换,一切,都很糟糕,所以24分钟不细看了,无法忍受。
位图法
private BitSet bits;
public void perform(String largeFileName, int total, String destLargeFileName, Castor<Integer> castor,
int readerBufferSize, int writerBufferSize, boolean asc) throws IOException {
System.out.println("BitmapSort Started.");
long start = System.currentTimeMillis();
bits = new BitSet(total);
InputPart<Integer> largeIn = PartFactory.createCharBufferedInputPart(largeFileName, readerBufferSize);
OutputPart<Integer> largeOut = PartFactory.createCharBufferedOutputPart(destLargeFileName, writerBufferSize);
largeOut.delete();
Integer data;
int off = 0;
try {
while (true) {
data = largeIn.read();
if (data == null)
break;
int v = data;
set(v);
off++;
}
largeIn.close();
int size = bits.size();
System.out.println(String.format("lines : %d ,bits : %d", off, size));
if (asc) {
for (int i = 0; i < size; i++) {
if (get(i)) {
largeOut.write(i);
}
}
} else {
for (int i = size - 1; i >= 0; i--) {
if (get(i)) {
largeOut.write(i);
}
}
}
largeOut.close();
long stop = System.currentTimeMillis();
long elapsed = stop - start;
System.out.println(String.format("BitmapSort Completed.elapsed : %dms", elapsed));
} finally {
largeIn.close();
largeOut.close();
}
}
private void set(int i) {
bits.set(i);
}
private boolean get(int v) {
return bits.get(v);
}
nice! 跑了190秒,3分来钟. 以核心内存4663M/32大小的空间跑出这么个结果,而且大量时间在用于I/O,不错。
问题是,如果这个时候突然内存条坏了1、2根,或者只有极少的内存空间怎么搞?
外部排序
该外部排序上场了,外部排序干嘛的?
内存极少的情况下,利用分治策略,利用外存保存中间结果,再用多路归并来排序;
map-reduce的嫡系。
1、分
内存中维护一个极小的核心缓冲区memBuffer,将大文件bigdata按行读入,搜集到memBuffer满或者大文件读完时,对memBuffer中的数据调用内排进行排序,排序后将有序结果写入磁盘文件bigdata.xxx.part.sorted. 循环利用memBuffer直到大文件处理完毕,得到n个有序的磁盘文件:
2、合
现在有了n个有序的小文件,怎么合并成1个有序的大文件?把所有小文件读入内存,然后内排?(⊙o⊙)… no!
利用如下原理进行归并排序:
我们举个简单的例子:
文件1:3,6,9
文件2:2,4,8
文件3:1,5,7
第一回合:
文件1的最小值:3 , 排在文件1的第1行
文件2的最小值:2,排在文件2的第1行
文件3的最小值:1,排在文件3的第1行
那么,这3个文件中的最小值是:min(1,2,3) = 1
也就是说,最终大文件的当前最小值,是文件1、2、3的当前最小值的最小值,绕么?
上面拿出了最小值1,写入大文件.
第二回合:
文件1的最小值:3 , 排在文件1的第1行
文件2的最小值:2,排在文件2的第1行
文件3的最小值:5,排在文件3的第2行
那么,这3个文件中的最小值是:min(5,2,3) = 2
将2写入大文件.
也就是说,最小值属于哪个文件,那么就从哪个文件当中取下一行数据.(因为小文件内部有序,下一行数据代表了它当前的最小值)
最终的时间,跑了771秒,13分钟左右。
less bigdata.sorted.text
...
9999966
9999967
9999968
9999969
9999970
9999971
9999972
9999973
9999974
9999975
9999976
9999977
9999978
...
来源:https://blog.csdn.net/gsky1986/article/details/46499529
推荐关注:一个二代的编程历程
多路归并排序_字节跳动面试:5 亿整数的大文件,如何排序 ?相关推荐
- java面试 上传文件_字节跳动面试官,我也实现了大文件上传和断点续传
前言 前几天看到一个文章,感触很深 作者从0实现了大文件的切片上传,断点续传,秒传,暂停等功能,深入浅出的把这个面试题进行了全面的剖析 彩虹屁不多吹,我决定蹭蹭热点,录录视频,把作者完整写代码的过程加 ...
- 面试字节跳动测试岗位一般问什么测试点_字节跳动面试问题集合
2020年秋招字节成都用户产品一面 1. 之前三段实习经历分别有什么收获 2. 为什么想做产品经理 3. 描述之前在美团的实习做了什么,并挑一个做的最好的功能讲一讲 4. 用三个词描述美团的工作氛围 ...
- 头条面试官:5 亿整数的大文件,如何排序 ?
点击上方蓝色"终端研发部",选择"设为星标" 学最好的别人,做最好的我们 作者:foreach_break 来源:https://blog.csdn.net/g ...
- 5亿整数的大文件,怎么排序 ?面试被问傻!
来源 | 程序员追风 编辑 | Carol 出品| CSDN云计算(ID:CSDNcloud) 最近一家公司,面试官一上来,就问了我这么一个问题,我一脸懵逼,决定记录一下. 问题 给你1个文件bigd ...
- 面试:5 亿整数的大文件,来排个序?
点击上方蓝色"程序猿DD",选择"设为星标" 回复"资源"获取独家整理的学习资料! 作者 | xupengzhang 来源 | import ...
- 5亿整数的大文件,怎么排?
点击上方"方志朋",选择"置顶或者星标" 你的关注意义重大! 问题 给你1个文件bigdata,大小4663M,5亿个数,文件中的数据随机,如下一行一个整数: ...
- 面试题热个身:5 亿整数的大文件,来排个序?
一.问题 给你1个文件bigdata,大小4663M,5亿个数,文件中的数据随机,如下一行一个整数: 现在要对这个文件进行排序,怎么搞? 二.内部排序 先尝试内排,选2种排序方式: privatefi ...
- 字节跳动一面通过率_字节跳动面试(一面)总结
其实这篇总结很早以前就开始写了--去年11月底就面的头条,只是由于总总原因没有完成,趁现在假期补上. 面试用的是ZOOM视频会议,这里提醒大家视频面试前现检查网络情况如何!一定要保证非常流畅,不然等等 ...
- 字节跳动面试官:java读取xml文件
01 阿里中间件(四面,Java岗) 1.1 Java中间件一面 技术一面考察范围 重点问了Java线程锁:synchronized 和ReentrantLock相关的底层实现 线程池的底层实现以及常 ...
最新文章
- MYSQL专题-MySQL事务实现原理
- 屏蔽浏览器退格键页面后退
- 实例源码_SpringBoot数据库源码解析Template实例化操作
- c语言布尔类型赋值给整型,C语言的布尔类型(_Bool)【转】
- CentOS下rpm命令详解
- BZOJ 4816 [Sdoi2017]数字表格
- Unity C# 设计模式(五)建造者模式
- linux crontab文件位置,linux crontab at 文件目录
- java vcf文件增量写入,用snpEFF对vcf格式的突变数据进行注释
- 老徐WEB:js入门学习 - 认识javascript
- 通过故障恢复控制台修复xp系统引导文件丢失的方法
- git克隆时出现not fount问题
- 科学研究机构管理系统
- Qt 编译错误 cannot find -lGL 解决方法
- Lucene5学习之FuzzyQuery使用
- 醒悟的日子,我是怎么一步一步走向软件测试的道路
- 关于Ubuntu没有声音的解决方法
- Jmeter逻辑控制器之Foreach控制器如何使用多个变量作为输入
- mysql的用户名怎么看_怎么查看mysql的用户名和密码
- 2020Java开发工程师的就业方向有哪些
热门文章
- 漫画:凌晨2点,老板在工作群@了我...
- DDD专家张逸:复杂与架构演进的关系
- 蚂蚁集团高级架构师郭援非:分布式数据库是金融机构数字化转型的最佳路径...
- 10W+集群规模下,美团点评如何优化改造K8s?
- 进阶移动开发,技术赋能产业
- vue.js语法和常用指令
- JEECG 3.6 自定义表单版本发布,智能快速开发平台
- 微服务技术栈:流量整形算法,服务熔断与降级
- JavaEE基础(05):过滤器、监听器、拦截器,应用详解
- Laravel Query Builder 复杂查询案例:子查询实现分区查询 partition by